SPDK NVMe-oF RDMA目标端传输重试计数器耗尽导致段错误问题分析
问题背景
在SPDK NVMe-oF RDMA目标端的实际部署环境中,我们观察到一个偶发的段错误问题。该问题通常发生在RDMA传输层出现"transport retry counter exceeded"错误时,导致目标端进程异常崩溃。通过分析核心转储文件,我们发现崩溃点位于nvmf_rdma_request_process
函数中,具体是在处理RDMA_REQUEST_STATE_DATA_TRANSFER_TO_CONTROLLER_PENDING
状态请求时发生的。
问题现象
当RDMA网络出现异常时,目标端会记录如下错误日志:
nvmf_rdma_log_wc_status: *ERROR*: Error on CQ 0x315ece0, (qp state 1 ibv_state 6) request 0x35184834322177, type DATA, status: (12): transport retry counter exceeded.
同时,RDMA网卡硬件计数器显示异常值:
req_cqe_error 5951
req_cqe_flush_error 1778
根本原因分析
经过深入代码分析,我们发现问题的根本原因在于RDMA请求状态管理的不一致性。具体表现为:
-
当请求处于
RDMA_REQUEST_STATE_DATA_TRANSFER_TO_CONTROLLER_PENDING
状态时,如果rdma_req->num_remaining_data_wr > 0
,该请求会保留在rqpair->pending_rdma_read_queue
队列中。 -
在异常情况下(如QP状态变为IBV_QPS_ERR),该请求可能被直接插入到其他队列(如
pending_rdma_send_queue
)中,这会破坏pending_rdma_read_queue
队列的数据结构完整性。 -
当后续清理QP时遍历
pending_rdma_read_queue
队列时,就可能发生非法指针访问,导致段错误。
技术细节
在RDMA传输层,NVMe-oF协议需要处理多种数据传输场景,包括控制器到主机和主机到控制器的数据传输。当出现传输错误时,协议栈会尝试重试,但重试次数超过限制后(由transport retry counter控制),会触发错误处理流程。
问题特别出现在以下两种代码路径中:
- 正常处理路径(rdma.c:2128)
- 异常中止路径(rdma.c:5068)
两者都尝试从pending_rdma_read_queue
队列中移除请求,但在异常情况下,请求可能已被释放或移至其他队列,导致操作空指针。
解决方案
修复方案的核心思想是确保在异常处理路径中正确处理队列操作。具体措施包括:
- 在将请求移动到其他队列前,先检查并确保其从原队列中正确移除
- 添加必要的状态检查,防止对已释放请求进行操作
- 确保队列操作是原子的,避免并发访问导致的数据不一致
修复后的代码在异常情况下能够正确处理请求状态转换,避免了段错误的发生。
验证结果
通过在测试环境中模拟QP错误状态,验证了修复方案的有效性:
- 在数据传输过程中强制将QP状态修改为IBV_QPS_ERR
- 观察目标端行为
- 确认目标端能够正确处理错误情况而不会崩溃
最佳实践建议
对于使用SPDK NVMe-oF RDMA目标端的用户,建议:
- 监控RDMA网卡的硬件计数器,特别是
req_cqe_error
和req_cqe_flush_error
- 合理设置传输重试参数,平衡可靠性和性能
- 及时更新到包含此修复的SPDK版本
- 在网络不稳定的环境中,考虑增加传输重试次数阈值
这个问题展示了在RDMA这种复杂网络协议栈中,状态管理的重要性。正确的错误处理流程对于系统稳定性至关重要,特别是在面对网络异常等边缘情况时。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~052CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0331- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









